为什么一篇讲专利检索的论文，值得放进本期小抄。
因为它把 RAG 里一直由人来干的那一步，交给了模型自己。
这篇 8 月 11 日挂上 arXiv，编号 2608.11030，主分类 cs.IR，交叉列了 cs.CL。九个作者，第一作者 Jian Zhang。同时也被 IEEE CSCWD 2026 接收了。
上个月的东西，不算新鲜。但它把一件我憋了很久没说利索的话，写成了一个具体做法。
专利检索这个场景，挑得挺准
专利文档不好读。结构复杂，术语密集，还夹着图。两件专利差在哪，很多时候就差在一个词的限定范围上。传统方法看不出这种差别。
拿 LLM 做这件事，现在主流是两条路。
一条是给模型灌领域知识。领域预训练，或者指令微调。要人工标数据，训完还容易把原来会的东西忘掉。论文里管这叫灾难性遗忘。
这个理由被用滥了，模板里人人写。但标注成本是真金白银，这是实话。还有一条论文没怎么强调：权重里改东西慢。分类体系是会变的，外挂的库改起来快，权重改起来慢。
另一条是标准的 RAG。外挂一个库，检索回来的内容喂给模型。论文认为这条路的问题是，模型自己解析专利、挖深层语义的那部分能力，没用上。
这个批评挺准。
画框这一步，以前一直是人在干
RAG 里最容易被忽略的一步，是"检索什么"由谁定。
切片是人切的。embedding 是人选的。召回几条是人调的。模型只是在人画好的框里挑。
专利这种文本，人预切一刀很难切对。结构一复杂，先切碎再拼回去，信息就丢了。
论文的做法是把画框这一步挪给模型。让它自己从查询里抽关键技术实体，搭一个层级化的本体结构。再用这个结构去做查询扩展和精准检索。检索那一层是 FAISS，配一个生成式的匹配机制。
FAISS 不新。生成式匹配也不新。这堆东西拼起来，创新点全集中在前面那一步。
"自知识"这个前缀，起得有点玄
框架叫 Self-Knowledge Retrieval Augmented Generation。
这个"自知识"，不是说模型知道自己知道什么，也不是它会自省。
它指的是模型自己抽出来的那批实体。这批实体构成了下一步检索的知识基础。
名字玄，机制直白。
提这个是想说，看到"自知识""自反思""自进化"这类前缀，先别急着觉得它跨了一代。多半只是把一步本来就有的操作，换了个主语。
真正被挪动的是归属权
RAG 火起来这几年，大部分改进都堆在"检索完怎么用"那一侧。重排、压缩、融合、再加一层 rerank。这些都有用，但都没回答最开始那个问题：该去翻哪几页。
效果那几个点，论文说提升明显，在真实专利数据集上跑的。我不复述，也没法替你验证。数据集够不够真、指标挑没挑，得你自己去看。
我想收的是另外一件事。把画框交给模型之后，上下文就不再是"你给什么它读什么"。它先画一张地图，再按地图去翻。
专利是块合适的试验田。文本难，判断细，人对"该抽哪些实体"本来就没把握。换成法律文书、内部工单、医疗记录，逻辑是一样的。
这对普通人意味着什么
你大概率不做专利检索。这条对你有用的地方不在这儿。
你会在别处碰到同一件事。Cursor 读你的项目，Claude Code 翻你的目录，它们怎么决定该看哪几个文件。现在这一层靠规则，靠文件名匹配，或者靠你手动 @。
再往前走一步，就是它先给你的项目建个结构，自己决定去哪儿找。
留意一下这些工具最近的设置页。关键词在变。以前那一栏问的是"塞多少上下文"。以后多半会多出一栏，问你要不要先建索引、先跑一遍解析。
这个变化不显眼。但它决定了你以后是手动喂它，还是让它自己去够。
一条我没看懂的，先放着
层级本体那部分，我只懂一半。
它怎么维护，专利更新了要不要重建，抽出来的实体要不要人工过一遍。这些我读得糊。
可这一步决定了它能不能真用起来。抽出来的本体要是错的，后面检索得再准，也是在错的路上准。
论文里提了专利含多模态信息，但框架里拿图怎么办，我没找到清楚的一段。一并放着。
先搁这儿。搞明白了再补。
顺带说一句，九个作者的活，看着不像小工程。真落地要多少工作量，比论文里写的多。
最后
题外一句。翻 8 月 cs.IR 新提交的时候，这类"给 RAG 前面加一步"的论文我见过不止一篇。这篇能被会议收下，大概是场景选得实。专利检索有真需求，有公开数据，评起来有标准。换个场景，很多就悬了。
本周就这些。
上面有任何一条你试过、或者觉得我讲错了，欢迎告诉我。讲错的我补，没讲清的我改。
下周见。